A tabela de preços publicada, na íntegra
Na página de Models and Pricing da DeepSeek há exatamente dois modelos, e deepseek-v4-flash é um deles. As antigas linhas deepseek-chat e deepseek-reasoner desapareceram. Dois modelos V4, e essa é toda a linha. Verifiquei a tabela novamente na manhã em que escrevi isto.
| Por 1M de tokens | deepseek-v4-flash | deepseek-v4-pro |
|---|---|---|
| Entrada, cache hit | $0.0028 | $0.003625 |
| Entrada, cache miss | $0.14 | $0.435 |
| Saída | $0.28 | $0.87 |
| Comprimento do contexto | 1M | 1M |
| Saída máxima | 384K | 384K |
| Modo de raciocínio | Ativado por padrão | Ativado por padrão |
| Responses API | Sim | Não |
| Limite de concorrência | 2,500 | 500 |
Duas coisas valem a pena sinalizar antes que a aritmética comece. A janela de contexto e o teto de saída são idênticos nos dois níveis, então a diferença de preço não compra nenhum espaço extra. E ambos vêm com o raciocínio já ativado, o que pesa muito no custo, já que os tokens de raciocínio são cobrados na taxa de saída.
Calcule sua própria taxa efetiva
As taxas anunciadas são por milhão. O que você paga é uma mistura de três delas, ponderada pela sua taxa de acerto de cache e por quanto do seu tráfego termina como saída. Mova os controles e veja o que a mistura faz.
O que os controles deixam óbvio é isto. Passando de algo em torno de 40% de participação de saída, o cache deixa de importar muito. A saída não carrega nenhuma taxa com desconto, e num modelo que raciocina por padrão, a saída é exatamente para onde vão seus tokens.
Multiplicador um: o cache decide tudo, e não é uma configuração
Entre as duas taxas de entrada a diferença é de $0.0028 contra $0.14, exatamente 50x. A Artificial Analysis coloca isso no contexto do setor, em que o desconto de cache da DeepSeek chega a cerca de 98% contra os 90% que a maioria dos provedores oferece. O desconto de cache mais agressivo do mercado, e a razão pela qual esses recibos têm essa aparência.
O cache em disco vem ativado por padrão em toda conta, sem precisar mudar código, então você não está optando por nada. O que você está fazendo é se qualificar, e as regras de qualificação aqui são mais estritas do que na maioria dos provedores:
- Uma requisição é cobrada na taxa de acerto somente quando corresponde totalmente a uma unidade de prefixo de cache persistida. Sobreposição parcial não rende nada. A DeepSeek atribui essa exigência de correspondência total ao seu design de Sliding Window Attention, que é uma mudança em relação a como as versões anteriores faziam a correspondência.
- As unidades são persistidas nos limites das requisições, por detecção de prefixo comum entre requisições, e em intervalos fixos de tokens dentro de entradas e saídas longas.
- O cache é "best effort", sem taxa de acerto garantida, e entradas não usadas são limpas "normalmente dentro de algumas horas a alguns dias".
- Você pode auditar isso por chamada. O bloco
usageretornaprompt_cache_hit_tokenseprompt_cache_miss_tokens, então você nunca precisa adivinhar qual taxa pagou.
Esse último ponto é o único conselho prático de todo este artigo. Registre esses dois campos desde o primeiro dia. Todo modelo de custo que já vi dar errado, deu errado pelo mesmo motivo: alguém assumiu uma taxa de acerto em vez de medi-la.
Multiplicador dois: ele raciocina por padrão, e é prolixo
Os dois níveis do V4 usam por padrão o modo de raciocínio, e os tokens de raciocínio são cobrados na taxa de saída. Padrão o suficiente hoje em dia. O que não é tão padrão é quantos deles o Flash produz.
A Artificial Analysis precisou de 210 milhões de tokens de saída para executar seu Intelligence Index no Flash, contra uma mediana de classe de cerca de 100 milhões. A execução completa do índice custou $72.02. Então, em um trabalho idêntico você deve esperar aproximadamente o dobro dos tokens de saída de um modelo comparável, cada um a $0.28, e isso silenciosamente reduz à metade o desconto que a tabela anuncia.
Não há uma forma limpa de simplesmente comprar a versão barata. Reduzir o raciocínio reduz o modelo junto com ele. A própria tabela de modos cruzados da DeepSeek coloca o Flash em 8.1 no Humanity's Last Exam em modo sem raciocínio, contra 34.8 em esforço máximo, e a Artificial Analysis pontua de forma independente 50 em esforço máximo contra 29 sem raciocínio. A configuração barata e a configuração boa são execuções diferentes dos mesmos pesos. Uma peculiaridade a se conhecer aqui: xhigh silenciosamente é servido como high no Flash, então você também não consegue pagar para superar esse teto.
Multiplicador três: uma sobretaxa de 2x sem data de início
Aqui é onde a estrutura da DeepSeek se inverteu sobre si mesma. Nenhum desconto fora do pico existe hoje. Em vez disso, a tabela carrega uma nota de rodapé dizendo que a API "em breve adotará uma política de preços de pico/fora de pico", em que os preços no horário de pico serão 2x os preços regulares, aplicável a todos os itens de cobrança.
A janela publicada vai das 9h às 12h e das 14h às 18h no horário de Pequim, todos os dias. Convertido, isso cai entre 01h e 04h UTC e 06h e 10h UTC, ou seja, sete horas por dia. Quanto à data de vigência, ela está "sujeita ao anúncio oficial", que é outra forma de dizer que não existe uma.
Duas leituras práticas disso. Se sua carga é trabalho em lote cujo horário você controla, isso é quase inofensivo e você simplesmente programa em torno dele. Se sua carga é tráfego síncrono atendendo manhãs europeias ou tardes asiáticas, então uma boa parte dela cai justamente dentro dessas janelas, e você deveria estar modelando seu orçamento em 2x desde já. Também não é uma hipótese que as pessoas tenham perdido de vista:
"Besides, in a few days, they'll change their pricing, doubling it during their peak hours [...] It's still cheap, but the price/performance ratio is not that good"
Os preços que estão na tabela hoje são as taxas regulares. A DeepSeek não publicou nenhuma tabela de taxas de pico, então dobrar você mesmo os números publicados é a forma honesta de modelar isso, em vez de citar preços de pico como se já existissem.
Multiplicador quatro: retenção zero, se você precisar
Este não é o preço da DeepSeek de forma alguma, e para quem lida com dados de clientes é o maior multiplicador da lista.
Os termos da Open Platform da API paga da DeepSeek são silenciosos sobre se as entradas da API treinam o modelo. A seção "Inputs and Outputs" vai até o §4.2 e para ali, omitindo a cláusula de treinamento que os termos de consumidor trazem no §4.3. Silêncio não é a mesma coisa que permissão, e vale a pena ser preciso nisso, porque bastante comentário afirma categoricamente que a DeepSeek treina com dados da API e os termos pagos simplesmente não dizem isso. O que também não dizem é que não vai fazer isso. De qualquer forma, não há DPA publicado nem opção de retenção zero própria, e os dados ficam na RPC sob a lei da RPC.
Então equipes com uma exigência de conformidade em vez disso passam por um host de retenção zero, e pagam por isso:
"The model is fantastic. And costs almost nothing. The only problem I see is that they will train on your data. There are zero-data-retention providers of DeepSeek models, of which I have used openrouter (with zdr guardrails), and fireworks. But these are 3x to 5x more expensive than directly using DeepSeek, possibly due to poor caching. Thats the price to pay for zdr."
Note o parêntese ali, porque é a parte importante. Hosts de terceiros não reproduzem o desconto de cache de 98% da DeepSeek, então você perde a taxa de entrada barata no mesmo momento em que começa a pagar o prêmio de retenção. A saída de $0.28 do Flash em um host de retenção zero cai em algum lugar entre $0.84 e $1.40, a mesma faixa de um modelo ocidental de nível médio que vem com visão e busca na web. Se você está pesando essa troca, meus guias sobre requisitos de SOC 2 e GDPR e sobre a questão de construir ou comprar cobrem o terreno.
Como precedente do porquê as equipes se importam com isso, a mudança de política do Slack e a reação que se seguiu é algo que a maioria dos leitores viveu na própria pele.
O que as pessoas realmente pagaram
Recibos publicados vencem a modelagem sempre. Estes surgiram espontaneamente da thread de lançamento, direto dos próprios painéis das pessoas, e são os dados de custo mais concretos disponíveis em qualquer lugar.
"I use deepseek for a lot of my personal day-to-day agent needs, and I will simply put this here and let this speak for itself, last 30 days:
"Those are rookie numbers. Last 13 days including today, so effectively 12 days of usage:
$19.27 USDAPI requests: 7,877Tokens: 2,116,598,952 Ok this is a bit of lie, a lot of my tasks are very experimental loops whose 99% output is like rubbish and can work forever continuously and take advantage of that 120x cheaper input cache. Still incredible."
O segundo autor faz a coisa honesta e sinaliza por que seu número fica tão baixo. Loops experimentais que reenviam um prefixo quase idêntico milhares de vezes são o formato ideal para o cache. É uma carga de trabalho real. Também não é a maioria das cargas de trabalho.
Por sessão, em um harness de agente:
"Essentially I'm running everything on flash now inside pi. With the correct set of MCP servers, context reducer tooling and skills it can implement any task I throw at it. Some sessions take 30+ turns, but it's fast and cheap; all this in an hour, with ~$0.5 cost."
E então o recibo contrário, que é o motivo pelo qual eu não orçaria só com base nos bons:
"I bought it through OpenRouter and used it with Pi agent. The model was good, but there appeared to be a pricing glitch or something, because it burned through $50 in under an hour on pretty trivial stuff. Pi agent claimed it only used like $1. OpenRouter claimed differently and said I used all $50."
Dois dólares por mês, e cinquenta dólares em uma hora. Ambos são relatos reais sobre o mesmo modelo. A variável é o formato da carga de trabalho, mais a rota pela qual você compra, e não a tabela de preços. Se você quer acompanhar isso de forma adequada, ferramentas de rastreamento de LLM existem exatamente para isso.
Custo por tarefa é o número a se comparar
Preços por token só são comparáveis entre modelos que gastam o mesmo número de tokens em um trabalho, e modelos não fazem isso. A Artificial Analysis publica uma cifra de custo por tarefa que normaliza isso, e é a forma honesta de ler o Flash contra qualquer outra coisa.
| Modelo e esforço | AA Intelligence Index | Custo por tarefa |
|---|---|---|
| DeepSeek V4 Flash (max) | 50 | ~$0.03 |
| GPT-5.6 Luna (high) | 46 | ~$0.03 |
| GPT-5.6 Luna (xhigh) | 49 | ~$0.04 |
| GPT-5.6 Luna (max) | 51 | ~$0.07 |
| DeepSeek V4 Pro | 44 | ~$0.05 |
| Kimi K3 (max) | 57 | ~$0.86 |
O que reformula toda a comparação. Em preços de saída anunciados, o Flash contra o Kimi K3 sai a 54x. No custo por tarefa é apenas 29x, porque o Flash gasta mais tokens para chegar lá. E contra o nível médio da OpenAI, a diferença basicamente se fecha:
"First, your direct comparison, Deepseek V4 Flash 0731 (max effort) $0.03 (rounded up) per task @ index 50. OpenAI Luna: * high effort $0.03 (rounded down) @ index 46 * xhigh effort $0.04 @ index 49 * max effort $0.07 @ index 51 So I would say a fair statement would be "OpenAI Luna between 2x and 3x the price of Deepseek Flash, what you get is 2 to 5 times faster inference""
Vale a pena fixar o porquê aqui, já que é o erro mais comum em comparações de preços da DeepSeek. Em 30 de julho de 2026, a OpenAI cortou os preços do GPT-5.6, e o Luna caiu 80%, para $0.20 de entrada e $1.20 de saída. Qualquer coisa que ainda cite o Luna a $1.00 de entrada e $6.00 de saída está cinco vezes errada, e qualquer comparação contra um gpt-5.6 não qualificado está silenciosamente comparando o Flash com o Sol, que é o nível de fronteira a $5 e $30. O nível que realmente compete com o Flash em preço é o Luna, e no índice os dois estão empatados.
Flash contra Pro, onde a proporção não é o que parece
A proporção de destaque entre os níveis é bem clara. O Pro roda a 3,11x o Flash na entrada em cache miss e na saída, enquanto em acertos de cache é apenas 1,29x. Então, quanto mais sua carga de trabalho usa cache, menos essa escolha de nível custa a você.
Só que a escolha de nível já está praticamente resolvida de qualquer forma, e não a favor do Pro. O Flash 0731 foi retreinado em 31 de julho, enquanto o deepseek-v4-pro na tabela ainda é a versão preview de abril, sem um equivalente 0731 por trás dele. O Flash supera o Pro-Preview em todas as nove linhas de benchmark de agentes que a DeepSeek publica, e fica 6 pontos acima no Intelligence Index a um terço do preço. Detalhei essa inversão na comparação Flash contra Pro.
O Pro mantém uma vantagem real em dois lugares que valem a pena pagar se você precisar deles: memória e recuperação de contexto longo. Na tabela de modos cruzados da preview, ele tira 57.9 contra 34.1 no SimpleQA-Verified, 83.5 contra 78.7 no MRCR a 1M de contexto, e depois 83.4 contra 73.2 no BrowseComp. Isso é o que 49B de parâmetros ativos compram sobre 13B. A preferência humana também diverge do índice automatizado aqui, já que o LMArena continua classificando o Pro acima do Flash em contagens de votos comparáveis.
Uma armadilha de cobrança, se você recorrer ao Pro. A tabela de mapeamento de esforço publicada pela DeepSeek serve uma requisição low no Pro como high. Não existe uma execução barata do Pro. Você paga 3,11x a taxa e não pode reduzir o raciocínio para compensar isso. Esse mapeamento deve mudar no início de agosto de 2026, então verifique antes de construir algo em torno dele.
Mecânicas de cobrança que mordem
As regras de dedução da tabela são curtas, e escondem dois problemas operacionais dentro delas.
É pré-pago, e ficar sem saldo não é elegante. A despesa é tokens vezes preço, deduzida do seu saldo recarregado ou do seu saldo concedido, com o concedido sendo gasto primeiro quando ambos existem. A DeepSeek recomenda explicitamente recarregar de acordo com o uso real em vez de pré-carregar, e reserva o direito de mudar os preços. A consequência para qualquer coisa de longa duração é que um 402 de saldo insuficiente chega no meio da execução, não no momento da requisição. Trate isso como fatal e configure um alerta para ele, porque tentar de novo um 402 não realiza absolutamente nada.
Não há limites de taxa publicados, apenas um teto de concorrência. Não há RPM nem TPM em nenhum lugar da documentação. O que é publicado é a concorrência, 2.500 no Flash contra 500 no Pro, aplicada no nível da conta em vez de por chave, retornando 429 ao ser excedida sem cabeçalho Retry-After. A expansão passa por um formulário de solicitação. Se você está dimensionando uma carga de trabalho de produção, esse alcance no nível da conta é o detalhe a se planejar, porque um único trabalho descontrolado vai deixar todo o resto na conta sem recursos.
Para estimativas prévias, a DeepSeek publica proporções de aproximadamente 0,3 token por caractere em inglês e 0,6 por caractere em chinês, e também existe um pacote de tokenizador offline se você quiser contagens exatas antes de enviar qualquer coisa.
Esse preço justifica colocar o modelo na sua fila de suporte?
Aqui é onde eu desaceleraria, porque a aritmética que torna o Flash atraente para agentes de codificação não se transfere para o trabalho voltado ao cliente.
A taxa de alucinação AA-Omniscience do Flash está em 84%. Isso é uma melhora de 12 pontos em relação ao antecessor, e ainda muito longe de um número que você colocaria na frente de um cliente pagante sem supervisão. Também não há entrada de imagem documentada, nem busca na web, então tanto anexos de fotos quanto consultas de status de pedido vão precisar de algo mais conectado.
O problema mais profundo, porém, é que uma taxa de alucinação de ranking simplesmente é o critério errado para comprar. Uma líder de CX me disse isso uma vez melhor do que eu conseguiria:
"The AI will never be able to answer 100% of the questions, but if it tries and just answers 'sorry I don't know this,' I cannot go and check all my 7,000 tickets to see if the AI actually made a good answer, then the point is a little bit gone. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."
Essa é uma líder de CX em uma marca de suplementos DTC no Gorgias e Shopify, processando cerca de 7.000 tickets por mês, e o roteamento baseado em confiança acabou sendo a objeção que decidiu toda a avaliação deles. O que eles precisavam não era de uma pontuação melhor. Eles precisavam que o modelo soubesse quando ficar de fora, e esse é um trabalho para limites de confiança, para grounding em conhecimento verificado, e para um humano no loop em tudo que fica abaixo da barra.
Já vi uma versão dessa mesma falha dentro do nosso próprio produto. O pior padrão que a equipe já flagrou em produção foi um agente narrando "executando buscas no Zendesk" por cerca de dez turnos consecutivos sem nunca tocar a API, e depois relatando arquivos salvos que não existiam. Nada mata a confiança em um colega de equipe de IA mais rápido do que ele mentir sobre o que fez. E isso é um problema de supervisão, não de preço de token.
Onde a eesel se encaixa
Se o motivo pelo qual você está calculando o preço da DeepSeek por milhão de tokens é que você quer suporte mais barato, então a própria unidade está errada. O que uma equipe de suporte realmente gasta é o custo por resolução, e um preço por token não te diz absolutamente nada sobre isso, porque não diz nada sobre quantos tickets terminam resolvidos.
A eesel tem preço definido da mesma forma que o resultado é medido. 40 centavos por ticket ou conversa de helpdesk atendida, sem taxa por assento, e nada cobrado por tickets que seus humanos atendem. Antes de qualquer uma dessas coisas acontecer, você roda simulações contra seus próprios tickets históricos e vê a taxa real de resolução nos seus próprios dados, que honestamente é o único número de precisão que significa algo. E você pode direcionar apenas uma fatia primeiro. Atenda 1.000 tickets por mês, envie 200 deles para a IA, você paga por 200, então $80.
Há $50 de uso gratuito para começar, sem cartão de crédito, mais um teto de gasto padrão de $250 que os agentes não vão cruzar. Os números completos estão na página de preços. As páginas de segurança e enterprise cobrem aquelas perguntas de manuseio de dados que os termos da DeepSeek deixam em aberto.
$0.14 e $0.28 ainda são baratos em agosto de 2026?
Sim, embora menos do que o destaque sugere, e a resposta honesta depende muito do que você está comparando.
Contra o nível premium a diferença é enorme, e real. O Claude Opus 5 e o Flash ficam cerca de 89x distantes na saída. Contra o Kimi K3 a diferença de destaque é 54x enquanto a diferença por tarefa é 29x. Contra o Qwen 3.8 Max e o Qwen 3.7 Flash, o Flash permanece competitivo em preço e fica atrás em multimodalidade, sendo apenas texto.
Contra o nível que realmente compete com ele, as coisas estão próximas. O Luna a $0.20 e $1.20 empata com o Flash no Intelligence Index, roda várias vezes mais rápido, e vem com visão e busca na web. Adicione a hospedagem com retenção zero por cima e a diferença de preço praticamente evapora. Que é o motivo pelo qual um número considerável de equipes acaba rodando os dois, o Flash para o grosso do trabalho e outra coisa para os trabalhos que o Flash não consegue fazer. Se você está construindo esse tipo de divisão, a comparação de três APIs é um ponto de partida razoável, e a Mistral e o Grok também entram nessa mesma conversa de preço.
A única opção com a qual a tabela de preços não consegue competir de forma alguma é rodá-lo você mesmo. Os pesos têm licença MIT com cerca de 167GB, 284B de parâmetros totais com 13B ativos, o que coloca uma implantação auto-hospedada em território de hardware caro para prosumers em vez de território de data center. Entrada em cache no seu próprio hardware não custa nada. Se essa é a direção para onde você está indo, agentes de IA de código aberto e fine-tuning são as próximas leituras.
Perguntas frequentes
Quanto custa o DeepSeek V4 Flash? O preço do DeepSeek V4 Flash é $0.14 por milhão de tokens de entrada em cache miss, $0.0028 por milhão em cache hit, e $0.28 por milhão de tokens de saída. Essas são as taxas regulares na tabela de preços, e uma política de horário de pico pendente dobraria todas elas durante as janelas publicadas. Para contexto de como isso se compara a orçamentos de IA de helpdesk, veja o que custa o atendimento ao cliente com IA na prática.
Como o preço do DeepSeek V4 Flash se compara ao V4 Pro? O Pro custa 3,11x o Flash na entrada em cache miss e na saída, e 1,29x em acertos de cache. O Flash também atualmente pontua mais alto no Artificial Analysis Intelligence Index, 50 contra 44, que é a inversão que eu detalho na comparação Flash contra Pro. O Pro mantém sua vantagem em memória e recuperação de contexto longo.
Existe um plano gratuito para a API da DeepSeek?
Nenhum plano gratuito aparece na tabela de preços. A cobrança é pré-paga, retirando de um saldo recarregado ou de um saldo concedido, com o concedido sendo gasto primeiro. Esse modelo pré-pago é o motivo pelo qual um 402 pode chegar no meio da execução em vez de no momento da requisição. A ficha técnica completa está na minha visão geral do DeepSeek V4 Flash.
Por que minha conta da DeepSeek está mais alta do que o preço anunciado?
Quase sempre uma de três coisas. Sua taxa de acerto de cache é mais baixa do que você assumia, então mais da entrada é cobrada a $0.14 em vez de $0.0028. Ou o modo de raciocínio está gerando tokens de raciocínio que são cobrados na taxa de saída. Ou você está comprando através de um revendedor em vez de direto da fonte, e isso muda tanto a taxa quanto o comportamento do cache. Registre prompt_cache_hit_tokens para distinguir as duas primeiras.
A DeepSeek treina com dados da API? Os termos pagos da Open Platform são silenciosos sobre isso. A seção "Inputs and Outputs" para no §4.2 e omite a cláusula de treinamento que os termos de consumidor trazem, então não concede nem nega esse direito. Não há DPA publicado nem opção de retenção zero própria, e os dados são processados na RPC. Hosts de terceiros com retenção zero custam de 3x a 5x mais. Meu guia de SOC 2 e GDPR cobre o que uma equipe de suporte realmente precisa satisfazer.
O DeepSeek V4 Flash é barato o suficiente para rodar um chatbot de atendimento ao cliente? A restrição não é o preço do token, é a taxa de alucinação de 84%, junto com a falta de entrada de imagem documentada. Um modelo bruto na frente de clientes precisa de grounding via RAG, guardrails, e roteamento baseado em confiança antes de ser seguro. Meu guia sobre prevenir alucinações no suporte percorre a mecânica, e construir um chatbot de suporte cobre o resto da stack.
Quando começa o preço de pico 2x da DeepSeek? Nenhuma data foi anunciada. A tabela diz que a data de vigência está "sujeita ao anúncio oficial". As janelas de pico publicadas são das 9h às 12h e das 14h às 18h no horário de Pequim diariamente, o que é das 01h às 04h e das 06h às 10h UTC. Modele a 2x se seu tráfego é síncrono e cai nesses horários.
Qual é a forma mais barata de rodar o DeepSeek V4 Flash? API direta com uma taxa de acerto de cache alta, que é de onde vieram as taxas combinadas abaixo de um centavo deste artigo, em primeiro lugar. Mantenha os prefixos de prompt estáveis e apenas de anexação, mantenha a saída curta, depois programe o trabalho em lote fora das janelas de pico pendentes. Se seus dados não podem sair do seu controle, pesos com licença MIT e uma implantação auto-hospedada eliminam completamente o custo por token, ao preço do hardware. Para uma equipe de suporte, reduzir custos de suporte com IA é de qualquer forma um enquadramento melhor do que perseguir a taxa de token.
O veredito
O DeepSeek V4 Flash é a melhor inteligência por dólar do mercado agora, e os números $0.14 e $0.28 ainda subestimam quão barato ele pode ficar. Taxas combinadas abaixo de um centavo são reais, e documentadas. O mesmo vale para $50 em uma hora.
O que eu faria com ele. Para trabalho em lote, agentes de codificação, revisão, resumo, qualquer coisa com um prefixo de prompt estável e saídas curtas, use, e meça sua taxa de acerto de cache desde a primeira requisição em vez de assumir uma. Para tráfego de produção síncrono, orce a 2x até que essa política de pico tenha uma data. Para dados de clientes sob uma exigência de conformidade, calcule a rota de retenção zero e depois compare-a honestamente contra o Luna, porque o desconto praticamente desaparece ali e o Luna faz mais.
E para qualquer coisa que responda a um cliente, pare de comparar preços por token de vez. Compare o custo por ticket, medido contra seu próprio histórico de tickets, porque esse é o número que sua equipe de finanças realmente vai ver.
Article by
Alicia Kirana Utomo
Kira is a writer at eesel AI with a Computer Science background and over a year of hands-on experience evaluating AI-powered customer service tools. She focuses on breaking down how helpdesk platforms and AI agents actually work so that support teams can make better buying decisions.
